J’observe le nombre croissant de modèles de prévision du prix du Bitcoin, et une chose me saute aux yeux : beaucoup des systèmes les plus complexes ont encore du mal à battre une prévision très simple. Que le modèle utilise des lois de puissance, des données on-chain, des indicateurs macroéconomiques ou l’intelligence artificielle, la complexité ne signifie pas automatiquement de meilleures prédictions.
Bitcoin a inspiré des centaines de méthodes de prévision. Certains modèles utilisent le calendrier de réduction de moitié et la rareté pour estimer la valeur future, tandis que d’autres s’appuient sur l’activité des portefeuilles, les données de transaction ou la croissance du réseau. Des systèmes plus avancés utilisent l’apprentissage automatique pour traiter les informations de marché et macroéconomiques.
Mais tous ces modèles ont le même concurrent de base : une « prévision naïve ».
Une prévision de prix peut simplement supposer que le prix de demain sera proche de celui d'aujourd'hui. Une prévision de rendement peut supposer que le rendement prochain sera nul, tandis qu'une prévision de direction peut en pratique suivre une marche aléatoire. Étonnamment, des modèles sophistiqués ont souvent du mal à surpasser de façon constante ces approches de base lorsqu'on les teste dans de nouvelles conditions de marché.
Un préprint de mai 2026 de Carlos Baquero, de l'université de Porto, est parvenu à une conclusion particulièrement intéressante. Après avoir examiné la recherche sur la prévision du Bitcoin, l'étude a conclu qu'aucun modèle n'avait démontré une supériorité durable par rapport à un modèle naïf approprié, sur plusieurs régimes de marché et sur des horizons de prévision de un à six mois.
L'examen a porté sur des centaines d'articles, mais en a sélectionné 23 pour une analyse plus approfondie selon des facteurs tels que la méthodologie, l'influence et de véritables tests hors échantillon (out-of-sample). L'article est encore en attente d'une relecture par les pairs ; ses conclusions doivent donc être considérées en conséquence. Cela dit, le message central est important : les modèles de prévision doivent prouver qu'ils peuvent fonctionner au-delà des données historiques utilisées pour les créer.
Le problème avec les modèles complexes
Je pense que le plus gros problème n'est pas forcément que ces modèles soient mal conçus. Le problème plus important, c'est que le marché du Bitcoin ne cesse de changer.
Une stratégie qui a fonctionné pendant le cycle 2017 porté par le détail (retail) a affronté un marché très différent en 2021, lorsque les produits dérivés sont devenus plus importants. L'arrivée des ETF Bitcoin au comptant (spot) en 2024 a ouvert un autre canal majeur pour le capital et la découverte des prix.
On appelle cela la « non-stationnarité » (non-stationarity). En termes simples, la relation entre différentes variables peut changer au fil du temps.
La liquidité du Bitcoin, les investisseurs, la réglementation, l'accès au marché et l'infrastructure de trading ont tous évolué. Un modèle peut découvrir une relation qui semble extrêmement puissante sur une période, puis échouer quand l'environnement change.
Une recherche de Francesco Puoti, Fabrizio Pittorino et Manuel Roveri a trouvé quelque chose de similaire. Leur étude a comparé 12 méthodes statistiques, de machine learning et d'apprentissage profond sur cinq grandes crypto-monnaies, sur des horizons d'un jour, de sept jours et de 30 jours.
Les modèles plus simples ont systématiquement mieux performé que des méthodes incluant ARIMA, Prophet, des forêts aléatoires, XGBoost, des réseaux LSTM et N-BEATS.
Cela ne veut pas dire que l'intelligence artificielle ou le machine learning est inutile pour la crypto. Cela signifie qu'un modèle complexe ne crée un avantage que lorsqu'il existe un motif stable qu'il peut apprendre. Quand le signal sous-jacent est faible ou temporaire, le modèle peut simplement « mémoriser le bruit ».
Et Bitcoin dispose de nombreuses données pouvant aggraver ce problème. Des millions d'observations horaires ou à l'échelle de la minute peuvent sembler constituer un énorme ensemble de données, mais beaucoup de ces observations proviennent du même régime de marché. Répéter des milliers d'observations issues d'un seul marché haussier ou d'un choc de liquidité ne donne pas nécessairement au modèle des milliers de leçons indépendantes.
Quand les backtests commencent à ressembler à des boules de cristal
Un autre problème que je trouve important est le « surapprentissage des backtests » (backtest overfitting).
Les chercheurs peuvent tester différentes variables, périodes de temps, indicateurs, fenêtres de recul (lookback) et architectures de modèles. Finalement, une version finira probablement par produire un résultat historique impressionnant simplement par chance.
Ce modèle gagnant a peut-être découvert quelque chose de réel. Mais il a peut-être aussi gagné une « loterie » essentiellement menée sur des données de prix historiques.
David Bailey et ses co-auteurs ont étudié ce problème et ont montré que tester davantage de variantes augmente la probabilité de trouver un backtest impressionnant, même lorsque la stratégie sous-jacente ne dispose que de peu de pouvoir prédictif réel.
C'est pourquoi un seul test historique ne suffit pas.
Les tests de type « walk-forward » constituent une approche plus solide, car le modèle apprend à plusieurs reprises à partir des données passées, puis fait des prédictions sur des périodes qu'il n'a pas encore vues. Mieux encore, les chercheurs peuvent utiliser plusieurs périodes de maintien (holdout) non chevauchantes, de sorte que le modèle doit résister à des conditions différentes, notamment des marchés haussiers, des krachs, des marchés latéraux et l'évolution de la liquidité.
La fuite d'informations (information leakage) crée un autre problème. Si une information future s'infiltre accidentellement dans le processus d'entraînement, le modèle peut paraître bien plus précis qu'il ne l'est réellement.
Même la métrique de performance peut parfois créer une impression trompeuse. Les prix du Bitcoin sont persistants : ainsi, un modèle qui prédit 100 500 $ alors que le Bitcoin passe de 100 000 $ à 99 500 $ peut commettre une erreur de prix relativement faible, tout en produisant un signal de trading erroné.
Pour les traders, la direction, l'ampleur, le timing et les coûts de transaction comptent bien plus que le fait d'être simplement proche du prix final.
Les modèles qui sonnent mieux que ce qu'ils prédisent
Certains des modèles d'évaluation les plus célèbres du Bitcoin restent populaires parce qu'ils offrent des explications simples pour un marché compliqué.
Le stock-to-flow soutient que la rareté peut faire monter la valeur, chaque division par deux (halving) du Bitcoin réduisant la quantité de nouvelle offre par rapport à l'offre existante.
Les modèles de type Metcalfe relient la valeur du réseau à la taille ou à l'activité de la base d'utilisateurs.
Les modèles de loi de puissance tentent de décrire la trajectoire de prix à long terme du Bitcoin via une relation mathématique entre le prix et le temps.
Je ne pense pas que ces idées soient automatiquement dénuées de sens. Elles peuvent offrir des cadres utiles pour comprendre l'histoire du Bitcoin. Le problème commence lorsque les relations historiques sont traitées comme des prévisions fiables pour le futur, sans suffisamment de preuves hors échantillon.
Une étude révisée par des pairs publiée en 2024 par Alexander Shelton a révélé que le stock-to-flow et des variables liées à Metcalfe pouvaient aider à expliquer les rendements du Bitcoin à l'intérieur de l'échantillon, mais que leur pouvoir prédictif hors échantillon était limité, voire a disparu.
La relation stock-flow devient particulièrement intéressante, car le ratio d'offre de Bitcoin augmente selon un calendrier prédéterminé, tandis que le prix du Bitcoin a aussi fortement augmenté au cours de la majeure partie de son histoire. Deux variables qui évoluent ensemble dans le temps peuvent donner l'apparence d'une forte relation économique, même lorsque le lien de causalité sous-jacent est plus faible qu'il n'y paraît.
Les modèles de type Metcalfe rencontrent un défi similaire. L'activité du réseau peut augmenter parce que l'adoption du Bitcoin progresse, mais des prix plus élevés peuvent aussi attirer davantage d'utilisateurs et d'activités. Les deux variables peuvent donc s'influencer mutuellement.
Pourquoi les lois de puissance sont différentes
Les modèles de loi de puissance sont plus difficiles à écarter, car leurs courbes à long terme ont suivi des parts importantes du parcours historique du Bitcoin.
Ils peuvent être utiles comme cadre visuel pour montrer si le Bitcoin se négocie au-dessus ou en dessous d'une tendance à long terme.
Mais une valeur élevée de « R-carré » ne prouve pas automatiquement que la relation sous-jacente se poursuivra à l'avenir. Un modèle peut très bien s'ajuster aux données historiques et échouer quand de nouvelles observations arrivent.
Les chercheurs doivent vérifier si les résultats restent stables lorsque la date de départ change, si des fonctions mathématiques alternatives se comportent de manière similaire, et si le modèle fonctionne réellement sur des données futures.
C'est là que la différence entre « décrire le passé » et « prédire l'avenir » devient cruciale.
À quoi devrait ressembler une meilleure prévision du Bitcoin
Pour moi, la norme la plus utile est en fait assez simple.
Un modèle de prévision doit montrer ses performances à côté d'un modèle naïf de référence. Les chercheurs doivent le tester sur différents régimes de marché, inclure des coûts de trading réalistes et rendre les données et le code disponibles pour une vérification indépendante.
Ils devraient aussi divulguer combien de versions différentes du modèle ont été testées avant de présenter le résultat gagnant. Sans cette information, il est difficile de savoir si la performance rapportée reflète un véritable pouvoir prédictif ou simplement le meilleur résultat parmi des centaines d'expériences.
Plus important encore, les modèles d'évaluation ne doivent pas être présentés automatiquement comme des prévisions de prix précises.
Parfois, la conclusion la plus honnête est que « le prix d'aujourd'hui est la meilleure prévision ».
Cette réponse n'est pas enthousiasmante. Elle ne fournit pas un énorme objectif de prix ni une date précise à laquelle le Bitcoin devrait l'atteindre. Mais elle fait quelque chose que beaucoup de prévisions compliquées échouent à faire : elle oblige le modèle à prouver exactement quelle quantité d'information supplémentaire il apporte, au-delà de ce que le marché sait déjà.
Et, à mon avis, c'est le véritable test de tout modèle de prévision du Bitcoin.
#bitcoin #BTCReaches$80000 #BitcoinETFsBiggestDailyInflowSinceJanuary